고객 AI 성향 점수 모델 세부 정보
모델 개요 model-overview
- 모델 이름 및 버전: 고객 AI 성향 점수 모델
- 모델 목적: 이 모델은 소비자가 구매, 구독 등록 또는 이메일 캠페인 참여와 같은 특정 작업을 수행할 확률을 예측하여 마케터와 고객 참여 팀에 실행 가능한 통찰력을 제공하도록 설계되었습니다. 출력을 통해 기업은 대상자 세분화를 최적화하고 예측된 행동을 기반으로 소비자 상호 작용을 개인화할 수 있습니다.
- 의도한 사용자: 이 모델의 기본 사용자는 Real-Time CDP을(를) 활용하여 데이터 기반 마케팅 전략을 추진하는 마케팅 전문가, 데이터 분석가 및 고객 참여 팀입니다.
- 사용 사례: 이 모델은 주로 소비자 세분화, 대상 마케팅 및 이탈 예측에 사용됩니다. 기업은 이 모델을 활용하여 소비자 구매 의도를 예측하고 마케팅 캠페인을 최적화하며 개인화 노력을 강화합니다. 예를 들어, 전자 상거래 회사는 이 모델을 사용하여 고의적인 쇼핑객을 식별하고 독점 프로모션을 제공할 수 있습니다.
- 문제점: 마케터는 타깃팅할 올바른 소비자를 식별하고 참여 노력을 최적화하기 위해 어려움을 겪는 경우가 많습니다. 이 모델은 소비자 타겟팅에 대한 데이터 기반 접근 방식을 제공하여 마케팅 리소스가 효율적으로 할당되도록 함으로써 추론을 줄입니다.
- 잠재적 오용: 금융 신용 평가, 의료 진단 또는 법적 평가와 같이 위험이 높은 사용 사례에는 모델을 사용하지 않아야 합니다. 추가적으로, 모델은 개인적으로 민감한 행동(건강 상태, 정치적 선호도 등)을 예측하는 데 사용되어서는 안 된다.
모델 세부 정보 model-details
- 모델 유형: 지정된 이전 소비자 데이터에서 이벤트가 발생할 확률(예: 구매, 이탈, 참여)을 예측하는 지도 학습 분류 모델입니다. 성향 점수를 모델링하기 위해 로지스틱 회귀 분석과 함께 그레이디언트 부스팅 결정 트리(GBDT)를 사용하여 훈련합니다.
- 입력: 이 모델은 소비자 행동 데이터, 인구 통계학적 특성 및 이전 상호 작용을 처리합니다. 여기에는 웹 사이트 방문 빈도, 과거 구매 내역, 마케팅 이메일 참여 및 인구 통계 정보와 같은 데이터가 포함됩니다.
- 출력: 이 모델은 0에서 100 사이의 점수를 출력합니다. 여기서 값이 높을수록 채점된 모집단 집단 간에 예측된 이벤트가 발생할 가능성이 높습니다. 또한 기능 중요도 점수를 제공하여 마케터가 예측에 영향을 준 요인을 이해할 수 있습니다.
입력 예
{
"customer_id": 12345,
"past_purchases": 3,
"last_visit_days": 7,
"email_click_rate": 0.4
}
출력 예
{
"customer_id": 12345,
"SCORE": 89
}
모델 교육 model-training
- 교육 데이터 및 사전 처리: 각 고객의 교육 데이터 세트는 Adobe Experience Platform 내의 자체 데이터에서 직접 가져온 것입니다. 여기에는 Adobe Experience Platform 인스턴스에 수집 및 저장된 고객의 과거 상호 작용, 트랜잭션 레코드, 행동 참여 로그 및 인구 통계학적 정보가 포함됩니다. 데이터 세트는 선택한 기간 동안 고객별 데이터를 활용하여 고유한 시즌 트렌드와 참여 패턴을 캡처합니다. 사용하기 전에 각 고객의 데이터 세트는 특정 사용 사례에 최적의 품질과 유용성을 보장하기 위해 누락 값 처리, 범주별 인코딩, 기능 확장, 이상 값 감지 및 기능 엔지니어링을 포함하여 데이터 특성에 맞는 사전 처리를 거칩니다.
- 교육에 사용되는 소비자 데이터는 고객 간에 사용되지 않습니다.
- 교육 사양: 모델은 구조화된 데이터에 최적화된 GBM을(를) 사용하여 LightGBM을(를) 활용합니다. 예측 행동 패턴을 식별하도록 이전 고객 이벤트 시퀀스에 대해 교육됩니다.
- 교육 프레임워크: 모델이 LightGBM 및 scikit-learn을(를) 사용하여 개발되었으며 Adobe AI 클라우드 인프라에서 호스팅됩니다.
- 교육 인프라: Databricks 클러스터.
모델 평가 model-evaluation
- 평가 지표 및 절차: AUC-ROC을(를) 사용하여 모델의 효과를 측정합니다. Customer AI는 매우 광범위한 고객 사용 사례를 대상으로 하기 때문에 운영 범위를 알 수 없습니다. 따라서 도달 범위와 예산에 영향을 받지 않는 지표 AUC을(를) 사용합니다.
- 평가 데이터 및 사전 처리: 평가 데이터는 보류된 소비자 레코드를 포함하며 입력 형식 기대치에 맞게 기능 정규화, 인코딩 및 정리 단계를 포함하는 교육 데이터와 유사하게 사전 처리됩니다. 결과 창을 통과한 후, 우리는 최종 성과 평가를 수행할 수 있다.
모델 배포 model-deployment
- 모델 배포: 모델은 Adobe Experience Platform AI 서비스에서 호스팅되며 다양한 Adobe 애플리케이션과 통합됩니다. API 끝점을 통해 사용할 수 있으므로 마케팅 및 소비자 참여 워크플로우 전반에서 실시간 예측 및 일괄 처리에 원활하게 액세스할 수 있습니다.
- 모델 모니터링: 모델 모니터링을 통해 모델을 지속적으로 모니터링하여 교육 설정에서 오는 변화를 확인합니다. 정기 재교육(3개월에 한 번)은 자동으로 실행됩니다.
- 모델 업데이트: 지속적인 관련성을 보장하기 위해 업데이트된 소비자 상호 작용 데이터를 사용하여 몇 달에 한 번(6개월에 한 번) 모델을 다시 교육합니다. 주기적인 재교육은 예측 정확도에 영향을 미칠 수 있는 데이터 드리프트와 계절별 변동을 완화하는 데 도움이 됩니다.
설명성 explainability
모델 설명: 이 모델은 SHapley Additive Explanations(SHAP)을(를) 활용하여 각 입력 기능이 예측에 미치는 영향을 정량화하여 소비자 특성이 성향 점수에 미치는 영향을 투명하게 제공합니다. SHAP 값은 모든 예측에서 가장 영향력 있는 요인을 식별하는 글로벌 해석 가능성과 특정 소비자를 위한 개별 예측을 설명하는 로컬 해석 가능성을 모두 활성화합니다. 이 모델은 Local Interpretable Model-Agnostic Explanations(LIME)도 지원합니다.
공정성과 편견 fairness-and-bias
- 모델 공정성: 이 모델은 연령, 성별 또는 민족성과 같은 보호된 인구 통계학적 특성에 액세스하지 않고 쿠키 ID와 연결된 익명화된 행동 데이터에 대해 교육됩니다. 이처럼 민감한 집단들 간의 공정성에 대한 직접적인 측정은 실현 가능하지 않다. 바이어스 완화 노력에는 사용자 활동 빈도에 대한 표준화, 지나치게 지배적인 특징 억제 및 집단 간 점수 교정 확인 수행이 포함됩니다. 우리는 무작위 홀드아웃 트래픽에 대한 모델 예측을 평가함으로써 최신성 편향을 설명하고 노출 편향을 모니터링한다. 모델 배포 동안 바이어스 증폭 및 피드백 루프를 검출하고 감소시키기 위한 지속적인 평가가 실시되고 있다.
- 데이터 편향: 데이터 집합은 주로 참여도가 높은 사용자가 가져온 것이며, 이로 인해 선택 편향이 발생할 수 있습니다. 이를 완화하기 위해 모델은 샘플링 전략을 적용한다. 사용 사례에 따라 고객은 모델 출력의 잠재적 편향이 의도한 애플리케이션과 어떻게 일치하거나 영향을 미칠 수 있는지 고려해야 합니다.
견고성 robustness
모델 견고성: 모델이 새 소비자 레코드에 대한 강력한 일반화를 유지합니다. 성능은 다양한 소비자 세그먼트에서 안정적으로 유지되지만 사용자 행동이 이전 패턴에서 크게 벗어날 경우 약간의 저하를 보입니다.
윤리적 고려 사항 ethical-considerations
모델과 관련된 윤리적 고려 사항: 이 모델은 마케팅 사용 사례에 적합하며, 고객은 신용 또는 고용과 같은 민감하거나 규제되는 도메인에서 이 모델을 적용할 경우 높은 주의를 기울여야 합니다. 출력들은 확률적이고, 과거 또는 표현 편향을 반영할 수 있는 행동 데이터로부터 도출된다. 고객은 인적 감독을 적용하도록 권장됩니다. Adobe Experience Platform은 책임 있는 AI 지침을 따르며, 모델을 배포하기 전에 편향 감사, 공정성 테스트 및 사람 감독을 받도록 합니다. 자세한 내용은 Adobe AI 윤리 원칙을 검토하십시오.
recommendation-more-help
8959a20a-a58f-4057-9f82-870706c576e9